一张设备全景照片足以判断设备大类，却未必足以读出铭牌上的最后一位型号。企业把视觉语言模型接入巡检、档案或报价流程后，输入图片不再只是附件，而是一项需要验收的计算配置。本文讨论长期有效的选型问题，不把已有研究包装成新发布，也不把任何模型的通用能力当作现场正确率保证。
决定输入策略之前，先规定必须看清什么
先把业务任务写成可核对的结果：识别设备类别、抄录完整序列号、找到故障指示灯，还是判断两个部件的相对位置。它们需要的证据尺度不同。已有的 PDF 表格结构与证据映射讨论说明，数字清楚仍可能归属错误；本篇进一步关注模型接收这些证据之前，缩放与裁剪是否改变了它们。
建议为每类任务指定最小证据集合。例如铭牌识别至少需要目标铭牌、字段名称、完整字段值和设备关联；温度记录还可能需要单位。验收对象是这些信息共同正确，而不是模型生成一段看似合理的设备描述。
再区分三类输入缺陷：采集时已经模糊或反光；原图清楚但处理后细节消失；信息仍在但模型读错。第一类通常需要改善拍摄，第二类值得调整输入策略，第三类才进一步比较模型与识别流程。混在一起统计，会让昂贵推理承担本应由采集环节解决的问题。
动态分辨率让输入预算成为可调参数
Qwen2.5-VL 技术报告描述了把不同尺寸图像转换为不同长度视觉序列的机制。[2] 这提供了一个明确的工程观察：图像输入的计算量与视觉表示有关，不能只按图片张数衡量。论文结论适用于所述模型和实验，不证明提高分辨率会在所有企业任务中带来同样收益。
截至 2026 年 10 月 31 日读取的 Anthropic 视觉文档，超出相应模型原生限制的普通图像可能先被缩小，文档同时提示压缩与过小文字的影响。[1] 因此上传大文件、传输更久和模型获得更多细节，是三个不同事实。应核对实际端点、模型版本及图像处理路径，不沿用网上某个统一像素上限。
Google 图像理解文档于 2026 年 9 月 23 日更新，其中说明 Gemini 3 的 media_resolution 控制每张输入图片或视频帧的最大令牌预算，较高设置在细节识别与令牌、延迟之间取舍。[3] 这不是跨厂商通用参数。采购时应要求说明有效输入配置与用量回执，而非只比较模型名字或原图分辨率。
本文据此提出的判断是：应把拍摄、压缩、缩放、裁剪和模型配置作为同一条输入链共同验收。这个建议是工程推论，不是三份资料给出的统一性能定律。
构造案例：整图缩小与局部放大解决不同问题
假设原始设备照片为 4000×3000 像素，某个型号字符在原图中高 24 像素。若某条处理链把宽度缩至 1000 像素并保持比例，字符几何高度约剩 6 像素。这里的尺寸是构造值，未调用模型实验；6 像素也不是所有字体、模型都通用的可读阈值。
若从原图裁出包含铭牌的 1000×750 区域并保持尺寸，字符仍约高 24 像素。它保留了原有局部采样信息，却舍弃了全景。若先把整图缩小，再把铭牌放大，不能据此宣称恢复了原始笔画。补出来的像素不等于新的测量证据。
只发局部又可能出现另一种错误：型号读对了，却不知道属于哪台设备；数字抄对了，却裁掉旁边的单位。可比较“全景建立对象关系、局部用于读数”的组合，并为每个裁剪记录原图编号与区域。重叠裁剪中的同一字段必须合并为一个对象，不能被统计成两次发现。
如果原图本身被反光遮住最后一位，增加令牌预算不创造缺失事实。此时应请求重新采集或转人工确认，并记录未决字段。让模型从常见型号中补齐，可能提高表面完成率，却破坏证据要求。
比较三条路线，并给局部复核设置退出条件
第一条路线是全量使用满足任务需要的整图配置，适合必须同时观察整体关系、且细节需求稳定的任务。优点是流程简单；代价是每个请求都承担相应输入成本，且整图预算可能仍不足以保留最小目标。
第二条是先用较低成本视图定位，再为选定区域读取原图裁剪。它适合目标稀疏、可可靠定位的材料，但第一阶段漏掉目标后，第二阶段不会自动补救。比较时必须将未被选中的真实目标计入漏读，不能只报告被裁剪区域的识别正确率。
第三条是采用已有 OCR、专用检测器、数字原生文本或重新采集。清晰且固定格式的文本未必需要通用视觉语言模型；复杂图示也未必适合先压成线性文字。路线应按错误类型和完整流程成本选择，允许不同材料使用不同路径。
局部复核需要最大区域数、总令牌或费用预算、完成期限和停止规则。达到上限仍未确定时返回待复核，而不是无限放大或反复询问。若在同一处理链中不断追加相似裁剪，要检查总上下文、重复证据与排队成本，不能只看单次局部调用很便宜。
用同一组任务验收细节、关系和交付成本
建立独立标注集，覆盖小字、密集布局、旋转、低对比度、反光和不同设备背景。标注不仅是字符串，还要包含对象、字段、单位以及不可辨认状态。把同一设备连拍或同模板近重复图片分组隔离，避免验证集只是在重复熟悉输入。
固定模型、提示词和输出规则，分别比较整图配置、整图加裁剪和替代解析路线；如果模型也变了，应把它作为另一组对照。记录源图与处理后尺寸、裁剪坐标、软件配置、实际用量、重试和端到端完成时间，确保差异能回到输入链解释。
结果至少分成目标未发现、字段错读、对象归属错误、应拒绝却猜测以及正确交付。按最小字符尺度和材料类型拆分，检查高成本策略修复了哪些错误，又引入了哪些新错误。模型自报清晰或自信不能替代独立标注。
构造一个成本账：某批共 1000 项任务，路线 A 总处理费用 100 个成本单位，得到 800 个合格结果；路线 B 费用 150，得到 900 个。每个合格结果的成本分别为 0.125 与约 0.167，新增 100 个合格结果的边际费用为每个 0.5。只有新增交付价值及减少的后续工时足以覆盖差额，B 才更值得投入。这不是供应商价格或实测结果。
实际账本还应计入图片准备、区域定位、失败调用、人工复核和维护。如果人工修正后也算合格结果，应把其工时计入并单列自动完成比例。延迟约束则按从提交到可用结果衡量，不能用更快的首字响应掩盖额外局部调用。
把可解释的输入策略写进交付约定
建议交付一份按材料类型配置的输入策略，附带版本、样例、失败分流和可重放记录。供应商升级模型或改变预处理时，用保留的原图和标注重新验证；不要只检查接口仍然返回 JSON。
如果关键字段依赖已经丢失的细节，先改善采集；如果细节在原图中但被缩放丢掉，比较局部读取；如果证据保留完整仍频繁误读，再比较模型与复核方案。把这三种情况分开，企业才能为真正增加合格交付的能力付费，而不只是为更大的图片付费。